pypdf2能处理pdf的读取、写入、分割、合并及文本提取，但无法处理复杂格式或扫描版pdf。其常见操作包括：1.安装方法为pip install pypdf2；2.读取pdf需用pdfreader并逐页提取文本；3.写入pdf可用pdfwriter创建页面并保存；4.合并pdf通过pdfmerger依次追加文件实现；5.分割pdf是将每页保存为独立文件；6.提取文本使用extract_text()方法；7.pypdf2处理中文乱码建议改用pdfminer.six；8.扫描版pdf需借助ocr工具如tesseract处理；9.其他pdf处理库还包括reportlab和slate，适用于不同场景。
python处理PDF文件，用PyPDF2是个不错的选择。它能读取、写入、分割、合并PDF，也能提取文本，但处理复杂格式或扫描版PDF可能就力不从心了。
PyPDF2提供了多种方法来处理PDF文件，下面是一些常见的操作。
如何安装PyPDF2？
安装PyPDF2非常简单，直接用pip命令：
立即学习“Python免费学习笔记（深入）”；
pip install PyPDF2
装好之后，就可以在python脚本里导入并使用了。
如何读取PDF文件内容？
读取PDF文件是基本操作，下面是示例代码：
import PyPDF2 def read_pdf(file_path): with open(file_path, 'rb') as file: reader = PyPDF2.PdfReader(file) num_pages = len(reader.pages) for page_number in range(num_pages): page = reader.pages[page_number] text = page.extract_text() print(f"Page {page_number + 1}:n{text}n---") # 示例用法 read_pdf('example.pdf')
这段代码打开PDF文件，逐页读取内容并打印出来。注意，’rb’模式是以二进制读取，这是PyPDF2的要求。
如何写入PDF文件？
写入PDF实际上是指创建新的PDF或者在现有PDF上添加内容。
import PyPDF2 from PyPDF2 import PdfWriter def write_pdf(output_path, text): writer = PdfWriter() # 创建一个包含文本的新页面 page = PyPDF2.PageObject.create_page(text=text) writer.add_page(page) with open(output_path, 'wb') as file: writer.write(file) # 示例用法 write_pdf('output.pdf', 'Hello, PyPDF2!')
这段代码创建一个新的PDF文件，并在其中写入 “Hello, PyPDF2!”。
如何合并多个PDF文件？
合并PDF文件也很常见，PyPDF2可以轻松实现：
import PyPDF2 from PyPDF2 import PdfMerger def merge_pdfs(pdf_paths, output_path): merger = PdfMerger() for path in pdf_paths: with open(path, 'rb') as file: merger.append(file) with open(output_path, 'wb') as output_file: merger.write(output_file) # 示例用法 pdf_paths = ['file1.pdf', 'file2.pdf', 'file3.pdf'] merge_pdfs(pdf_paths, 'merged.pdf')
这段代码将多个PDF文件合并成一个。注意，需要提供一个PDF文件路径的列表。
如何分割PDF文件？
分割PDF文件就是将一个PDF文件拆分成多个小文件。
import PyPDF2 from PyPDF2 import PdfReader, PdfWriter def split_pdf(input_path, output_prefix): with open(input_path, 'rb') as file: reader = PdfReader(file) num_pages = len(reader.pages) for page_number in range(num_pages): writer = PdfWriter() page = reader.pages[page_number] writer.add_page(page) output_path = f"{output_prefix}_page_{page_number + 1}.pdf" with open(output_path, 'wb') as output_file: writer.write(output_file) # 示例用法 split_pdf('input.pdf', 'split_output')
这段代码将PDF文件的每一页分割成单独的文件，并以”split_output_page_[页码].pdf”命名。
如何提取PDF中的文本？
前面读取PDF内容时已经用到了extract_text()方法，这里再强调一下：
import PyPDF2 def extract_text_from_pdf(file_path): with open(file_path, 'rb') as file: reader = PyPDF2.PdfReader(file) text = "" for page in reader.pages: text += page.extract_text() return text # 示例用法 text = extract_text_from_pdf('example.pdf') print(text)
这个函数返回PDF文件中所有文本的拼接结果。
PyPDF2处理中文乱码问题怎么解决？
PyPDF2在处理包含复杂字体或特殊编码的PDF时，可能会出现乱码。一种解决方法是确保你的系统安装了PDF中使用的字体，并尝试在提取文本后进行编码转换。但更常见和推荐的做法是使用更强大的PDF处理库，比如pdfminer.six，它在处理复杂PDF的文本提取方面表现更好。
PyPDF2对扫描版PDF的处理效果如何？
PyPDF2无法直接处理扫描版PDF，因为它只能提取文本层的信息。扫描版PDF本质上是图像，需要OCR（Optical Character Recognition，光学字符识别）技术将图像转换为文本。可以使用Tesseract OCR等工具，配合Python的PIL（pillow）库进行处理。先用PIL读取图像，然后用Tesseract识别文本，最后再进行后续处理。
除了PyPDF2，还有哪些Python PDF处理库？
除了PyPDF2，还有几个常用的Python PDF处理库：
- pdfminer.six: 功能更强大，能处理更复杂的PDF格式，文本提取效果更好。
- ReportLab: 用于生成PDF文档，可以创建包含文本、图像、图表等元素的复杂PDF。
- slate: 专注于从PDF提取文本，简单易用。
选择哪个库取决于你的具体需求。如果只是简单的读取、合并、分割PDF，PyPDF2足够了。如果需要处理复杂的PDF或者进行PDF生成，可以考虑pdfminer.six或ReportLab。
